(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210990461.2 (22)申请日 2022.08.18 (71)申请人 中核武汉 核电运行技 术股份有限公 司 地址 430223 湖北省武汉市东湖新 技术开 发区民族大道1021号 (72)发明人 冯美名　张文哲　廖思宇　魏文斌　 陈姝　张益成　 (74)专利代理 机构 核工业专利中心 1 1007 专利代理师 胡维维 (51)Int.Cl. G01N 27/90(2021.01) G06F 17/16(2006.01) G06K 9/00(2022.01) G06N 3/08(2006.01)G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的涡流信号缺陷深度分 析方法 (57)摘要 本发明具体涉及一种基于机器学习的涡流 信号缺陷深度分析方法， 包括如下步骤： (1)构建 已知缺陷矩阵X； (2)构建已知缺陷相位行向量Y； (3)根据已知缺陷矩阵X和已知缺陷相位行向量Y 生成径向基网络Net； (4)构建未知缺陷信号向量 x； (5)将径向基网络Net和未知缺陷信号向量x输 入仿真函数si m()， 输出未知缺陷信号向量x对应 的相位角θ； (6)将相位角θ与深度对应表写成 一个长度为180的向量D； (7)根据向量D， 查出步 骤(5)得到的相位角θ查出对应的缺陷深度D (θ)％。 本发明的基于机器学习的涡流信号缺陷 深度分析方法， 利用该人工神经网络预测未知缺 陷的相位角， 利用相位角与 深度对应表给出缺陷 深度。 权利要求书1页 说明书4页 附图1页 CN 115308298 A 2022.11.08 CN 115308298 A 1.一种基于机器学习的涡流信号缺陷深度分析方法， 其特征在于， 包括如下步骤： (1) 构建已知缺陷矩阵X； (2)构建已知缺陷相位行向量Y； (3)根据已知缺陷矩阵X和已知缺陷相 位行向量Y生成径向基网络Net； (4)构建未知缺陷信号向量x； (5)将径向基网络Net和未知 缺陷信号向量x输入仿真函数sim()， 输出未知缺陷信号向量x对应 的相位角 θ； (6)将相位 角 θ与深度对应表写成一个长度为18 0的向量D； (7)根据向量D， 查出步骤(5)得到的相位角 θ 查出对应的缺陷深度D( θ )％。 2.根据权利要求1所述的基于机器学习的涡流信号缺陷深度分析方法， 其特征在于， 步 骤(1)中， 将每个已知缺陷的高频差分信号截取一段长度为M的水平分量h和垂直分量v， 并 用一个长度为2M的列向量 表示， N个已知缺 陷依次排列构成一个2M ×N的已知缺陷矩阵 X。 3.根据权利要求1所述的基于机器学习的涡流信号缺陷深度分析方法， 其特征在于， 步 骤(2)中， 将步骤(1)中的N个已知缺陷相位角度数取整， 依次排列构成一个长度为N的已知 缺陷相位行向量Y 。 4.根据权利要求1所述的基于机器学习的涡流信号缺陷深度分析方法， 其特征在于， 步 骤(3)中， 在MATLAB的Neural  Network Toolbox工具箱中的New  Network Functions中选择 newrbe()， 输入已知 缺陷矩阵X和已知缺陷相位行向量Y生成一个径向基网络Net， 即Net＝ newrbe(X,Y)。 5.根据权利要求1所述的基于机器学习的涡流信号缺陷深度分析方法， 其特征在于， 步 骤(4)中， 将要检测的未知缺陷的高频差 分信号截取一段长度为M的水平分量hx和垂 直分量 vx， 并用一个长度为2M的缺陷信号向量 表示。 6.根据权利要求1所述的基于机器学习的涡流信号缺陷深度分析方法， 其特征在于， 步 骤(7)中， θ＜40 °缺陷为内伤， θ ＞40 °为外伤， θ ＝ 40°为通孔。权　利　要　求　书 1/1 页 2 CN 115308298 A 2一种基于机 器学习的涡流信号缺陷 深度分析方 法 技术领域 [0001]本发明涉及无损检测信号处理技术领域， 特别是涉及一种基于机器学习的涡流信 号缺陷深度分析 方法。 背景技术 [0002]在涡流信号处理中， 缺陷深度的测量是通过计算缺陷信号的相位角得到的。 徐可 北,周俊华在2006年机械工业出版社出版的 《涡流检测》 中对缺陷信号的相位角定义如下： 取响应信号阻抗最大值的两个点， 并规定垂直线方向的上方为正向， 用直线连接这两个点， 该直线与水平方向的负方向的夹角。 公开号为CN  111351842A的中国专利公开了一种基于 涡流信号差分技术的缺陷相位角的测量方法。 目前为止， 涡流检测人员和检测计算机已经 在缺陷检测方面做了大量工作， 如何运用这些数据和结果预测未知缺陷的深度是我们需要 考虑的问题。 发明内容 [0003]基于此， 有必要针对如何根据缺陷的高频差分信号和缺陷的相位角来预测缺陷深 度的问题， 提供一种基于机器学习的涡流信号缺陷深度分析方法， 该方法利用涡流检测中 得到的缺陷的高频差分信号和基于缺陷的高频差分信号计算得到的缺陷的相位角， 训练基 于RBF的人工神经网络， 利用该人工神经网络预测未知缺陷的相位角， 利用相位角与深度对 应表给出缺陷深度。 [0004]为了实现上述目的， 本发明提供如下技 术方案： [0005]一种基于机器学习的涡流信号缺陷深度分析方法， 包括如下步骤： (1)构建已知缺 陷矩阵X； (2)构建已知缺陷相位行向量Y； (3)根据已知缺陷矩阵X和已知缺陷相位行向量Y 生成径向基网络Net； (4)构建未知缺陷信号向量x； (5)将径向基网络Net和未知缺陷信号向 量x输入仿真函数sim()， 输出未知缺陷信号向量x对应的相位角 θ； (6)将相位角 θ与深度对 应表写成一个长度为180的向量D； (7)根据向量D， 查出步骤(5)得到的相位角 θ查出对应的 缺陷深度D( θ )％。 [0006]进一步地， 步骤(1)中， 将每个已知缺陷的高频差分信号截取一段长度为M的水平 分量h和垂直分量v， 并用一个长度为2M的列向量 表示， N个已知缺陷依次排列构成一个 2M×N的已知缺陷矩阵X。 [0007]进一步地， 步骤(2)中， 将步骤(1)中的N个已知缺陷相 位角度数取整， 依次排列构 成一个长度为 N的已知缺陷相位行向量Y 。 [0008]进一步地， 步骤(3)中， 在MATLAB的Neural  Network Toolbox工具箱中的New   Network Functions中选择newrbe()， 输入已知 缺陷矩阵X和已知缺陷相位行向量Y生成一 个径向基网络Net， 即Net＝ newrbe(X,Y)。 [0009]进一步地， 步骤(4)中， 将要检测的未知缺陷的高频差分信号截取一段长度为M的说　明　书 1/4 页 3 CN 115308298 A 3